中国工程院院士 刘合：大模型既要“吃得饱”更要“吃得好”
转自：科创中国
前段时间，网络上流传着一些由大模型生成的“异次元篇章”。比如，有人让大模型续写《红楼梦》情节时，竟得出一幕“贾宝玉倒拔垂杨柳”的奇景，令人啼笑皆非。之所以会出现这种“混搭”和“幻觉”，是因为大模型不仅学习了原著，还“广纳博采”了不少错误信息。
这些人工智能（AI）生成的“胡言乱语”虽是网友们茶余饭后的笑谈，但提醒我们要清醒认识到其背后折射出的问题：数据质量是大模型应用成败的关键。以个性化推荐AI系统为例，一些企业在开发过程中，虽然收集了大量的用户行为数据，但数据中充斥着错误的标注、重复的数据以及相互矛盾的信息，数据的量增加了，但系统推荐的准确性并没有显著提升。《自然》杂志（Nature）刊登的一篇有关大模型可靠性研究的文章指出，一个西班牙研究团队发现，包括OpenAI公司的GPT在内的几个大模型升级后，虽然参数量更大了，误答情况却更严重了。因此，大模型长得壮不壮，不仅取决于“食量”（即数据的数量），更在于食物的“质量”（即数据的质量）——吃得饱并不等同于吃得好。
数据是大模型的基石，在数据质量不高、可靠性缺失的情况下，一味追求大模型参数量的增加，不仅无法提升模型性能，反而会放大偏差和谬误，产生更多不可信数据。如此一来，势必造成计算与存储资源的浪费，增加开发和维护成本，降低用户信任度。更为严重的是，这种“大模型幻觉”和“灾难性遗忘”现象如果发生在精确性要求极高的工业生产领域中，还可能引发不可预测的风险和隐患。以油气勘探为例，基于大模型给出的错误预测进行开采可能导致数亿元的资金损失，并对自然环境造成不可逆转的破坏。
提升大模型性能，关键是处理好数据“质”和“量”的关系，构建大规模、高质量的数据集。应建立完善的数据收集、清洗、验证和存储机制，加强对数据质量的监控和评估，确保数据的准确性、完整性和一致性。此外，还应注重跨领域合作，引入数据科学家、AI算法工程师等多方力量，开展大模型算法合作、制定数据共享和隐私安全保密协议，推动大模型产学研用生态建设。
如今，大模型的发展已迈入多模态融合阶段。通过加强数据治理，优化人工智能学习、训练和验证的“基础食材”，端上大规模、高质量、多模态数据集的“丰盛大餐”，必将助力大模型能力的提升，让人工智能更好地赋能千行百业、造福人类社会。
（作者：刘合，中国工程院院士、中国石油勘探开发研究院教授级高级工程师）